-
在农业生产中,杂草与作物争夺水分、养分和生长空间,影响作物生长.然而,人工除草面临劳动强度大、用工需求高等问题,化学除草则面临环境风险与抗药性等问题.随着智能感知与机器人技术的发展,除草作业逐步向精准化、少用药、自动化方向转变.基于此,新疆维吾尔自治区农业科学院农业装备研究所研究团队研制出智能除草机器人,为田间精准除草提供技术支撑.
-
利用计算机视觉技术实现疏果期果粒自动检测,对于葡萄生长状态智能化监测及疏果期表型分析等研究具有重要意义.然而,自然环境下疏果期玫瑰香葡萄果粒相比于成熟期,具有小尺度、密集分布、遮挡粘连严重及前景对比度低等特点,识别难度较大,针对此问题,本文提出一种基于改进YOLO v8n的果粒检测模型ASP-F-YOLO,以提升复杂场景下疏果期果粒检测的精度.首先,面向密集小目标检测任务对网络架构进行优化,通过引入高分辨率特征层参与特征融合,提升模型对小尺度果粒的感知能力.其次,提出自适应空间提示模块,利用频率动态卷积自适应生成空间提示,增强浅层细粒度特征对复杂纹理和高频细节的表征能力,从而提升目标区域响应并抑制背景干扰.最后,引入自适应超图结构模块,实现跨尺度特征增强和建模果粒与果穗之间的高阶关系,提高模型对密集遮挡果粒的判别能力.试验结果表明,ASP-F-YOLO模型的mAP0.5达到95.4％,较YOLO v8n、YOLO 12n、YOLO 13n、RT-DETR、CenterNet、RTMDet 和 RetinaNet 分别提升 4.3、4.6、5.0、2.2、12.8、14.7、29.3 个百分点;mAP0.5～0.95达到74.1％,较上述模型分别提升4.4、5.2、5.4、5.8、8.1、11.0、30.1个百分点;召回率达到88.0％,较上述模型分别提升4.0、5.1、5.6、0.7、19.5、22.1、37.5个百分点.部署试验表明,该模型在NVIDIA Jetson AGX Orin平台上可实现21.05 f/s的检测速度,模型内存占用量为7.2 MB,具备良好的边缘部署能力.本文方法可为复杂自然环境下疏果期密集果粒检测提供有效技术支撑.
玫瑰香葡萄疏果YOLO v8密集小目标自适应空间提示模块频率动态卷积
-
苹果树枝条实例分割既是苹果采摘机器人实现机械臂采摘路径规划与无损避障采摘的重要前提,又是信息采集机器人逐树逐枝感知果树表型信息的重要基础.本研究针对矮化密植苹果园非结构化环境下,光照剧变及背景干扰导致的枝条分割边界模糊,且末端细微枝条在深度学习网络的下采样过程中特征易丢失的难题,提出一种面向果园的跨模态注意力与边缘感知的苹果树枝条实例分割模型CAROL-YOLO(Cross-modal attention and refinement for orchard localization YOLO).首先,设计了一种可见光图像辅助的"特征仿射-非刚性变换"图像级联配准流程,构建了宽波段近红外(Visible-near infrared,Vis-NIR)图像-深度图像配准的苹果树枝条多模态数据集;在此基础上,以YOLO v8为基础,设计了伪孪生双流空间几何门控骨干网络,通过该骨干网络,设计了空间几何门控模块(Spatial-geometry aware gating encoder,S-Gate)提取深度图像中的前景枝条空间位置,并自适应增强宽波段近红外图像中前景枝条的空间位置特征;同时设计了一种边缘感知模块(Edge-aware module,EAM),显式增强细微枝条高频边界信息,以增强深度学习网络下采样后果树枝条的分割精度.实验结果表明:CAROL-YOLO模型在不同的参数量级(Nano/Small/Large)上均取得一致性的性能提升.以CAROL-YOLO-s为例,模型mAP50-95达(39.6±0.1)％,参数量仅为2.03 × 107;与基线模型YOLO v8m-seg相比,在参数量减少25.6％的情况下,mAP50-95仍提升了 1.4个百分点;与YOLO 11m-seg及YOLO 26m-seg模型相比,在参数量分别减少8.9％和24.5％的情况下,mAP50-95仍分别提升了 0.8个百分点和1.4个百分点.该方法有效解决了果园非结构化复杂环境下的枝条漏检问题,同一模型不同大小下的一致性能提升可为不同类型果园机器人精细化作业提供可靠的感知算法支撑.
苹果枝条实例分割多模态融合YOLO农业机器人
-
准确获取农业大棚的空间分布信息对于保障粮食安全、优化设施农业布局和推动乡村振兴具有重要意义.为了实现大范围、自动化的大棚识别与监测,基于Sentinel-2影像数据,以山东省寿光市为研究区,提出了一种基于光谱-纹理特征融合的样本自动生成与筛选方法.首先,融合APGI、RPGI、PMLI、EWI、NDVI及缨帽变换特征,结合Cohen's d效应量加权阈值分割生成潜在大棚样本;进一步引入旋转不变局部二值模式(Local binary pattern,LBP)纹理特征进行筛选,获得高置信度自动样本.随后,从样本分布一致性与分类性能两方面评价其可靠性,并结合随机森林(Random forest,RF)、支持向量机(Support vector machine,SVM)和梯度提升决策树(Gradient boosting decision tree,GBDT)开展分类试验.结果表明,样本容量为150时自动生成样本与人工样本一致性最佳;GBDT分类效果最优,总体精度达到95.0％,与人工样本训练结果接近.海曙区扩展试验中,总体精度和Kappa系数分别达到89.2％和0.83,说明该方法在复杂分散大棚场景下仍具有较好适用性.与Global-PCG-10对比发现,本文结果在寿光市与该数据集具有较高的空间一致性,交并比为0.728;在海曙区复杂场景中交并比为0.290.该方法在显著降低人工标注成本的同时仍能保持较高的分类精度,为设施农业自动化监测及样本自生成研究提供了可行路径和技术支撑.
设施农业大棚识别样本自动生成Sentinel-2机器学习
-
穴盘精量播种技术是现代工厂化育苗的核心支撑,其装备与技术水平直接影响育苗效益,对现代农业精准化发展意义重大.为此,系统分析了该领域历史演进、国内外现状、主流技术原理、典型装备特性,剖析了现存挑战与未来趋势.国外技术起步早、体系成熟,装备自动化与智能化水平领先;国内近年在核心部件与装备集成上突破显著,但在核心部件可靠性、系统集成精度等方面与国际仍有差距.在技术层面,气吸式播种因损伤率低、适应性强成为主流,机械式结构简单但作业稳定性不足,磁吸式尚处试验阶段.在装备方面,针式适配中小粒径种子,但精度受限;板式适配球形种子,但适用范围窄;滚筒式兼具高速高精度,适配规模化育苗.当前领域面临排种稳定性不足、智能补种技术缺失、设备通用性和可靠性欠佳等挑战.未来需向种子预处理优化、技术智能化、系统自动化集成方向发展,研发定制化装备并协同工厂化育苗体系.研究可为该领域技术攻关与装备升级提供理论参考,助力实现穴盘播种技术跨越式发展.
穴盘播种机分类研究进展存在问题发展趋势
-
[目的]为解决高速水稻工厂化育秧流水线喷淋装置存在喷淋均匀性差、稳定性较低,导致药水浪费等问题,设计了一种喷淋装置.[方法]通过对喷淋过程分析,确定了关键部位及工作参数;利用Fluent流体仿真,对几种不同的喷淋管路结构进行了研究.以喷淋孔与水平夹角、喷淋孔孔径、喷淋管高度为试验因素,以克里斯琴森均匀系数Cu和变异系数Cv为评价指标,进行喷淋台架单因素和三因素三水平响应面试验.[结果]各因素对喷淋均匀性和稳定性影响的主次顺序为:喷淋管孔径大小、喷淋孔与水平夹角大小和喷淋管高度,通过极值分析和方差分析,得到最优参数组合为:喷淋孔与水平之间的夹角大小为60°,喷淋孔孔径大小为1.27 mm,喷淋管高度为29.8 mm,在该条件下喷淋均匀系数为95.189％,变异系数为5.988％.[结论]研究结果可为水稻工厂化育秧流水线喷淋装置的优化设计提供参考.
水稻育秧流水线喷淋装置性能试验
-
针对大田农机自动驾驶系统关键性能参数检测依赖人工测量、实时性和一致性不足的问题,设计了一种基于北斗卫星导航的自动驾驶关键参数检测系统.系统由北斗定位定向接收机、车载计算终端、陀螺仪、转速传感器和编码器等组成,开发了参数检测软件,实现北斗数据实时接收、协议解析、坐标转换、工况识别、轨迹可视化及横纵向控制关键参数自动计算.以直线度偏差、衔接行间距平均误差和地头转向时间为验证指标,在北京市昌平区国家精准农业研究基地开展田间试验,并与人工测量结果进行对比.结果表明:平均直线度偏差检测的平均绝对误差为0.95 cm,平均相对误差为5.9%;衔接行间距平均误差的平均绝对误差为0.6 cm,平均相对误差为9.4%;转向时间检测的平均绝对误差为0.3 s,平均相对误差为3.5%.所设计系统能够实现大田农机自动驾驶关键参数的在线检测和结果导出,检测结果与人工测量结果具有较好一致性,可为农机自动驾驶系统性能评价和分级检测提供技术支撑.
农机自动驾驶北斗卫星导航参数检测直线度偏差衔接行误差
-
在乡村振兴战略全面推进的背景下,农业经济发展已成为破解"三农"问题、实现农业现代化的核心议题,技术创新则是驱动农业经济转型升级的根本动力.本文以技术赋能农业经济发展为核心视角,深入剖析曲阜市农业技术应用中的现实问题,聚焦智能化与数字化农业技术、生态与循环农业技术、机械化与自动化技术等关键技术领域,系统提出加强农业科技创新体系建设、推进技术推广应用、促进产业与技术深度融合的发展策略,以期为乡村振兴背景下农业经济发展提供理论支撑与技术导向.
乡村振兴农业经济技术发展智慧农业循环农业
-
植物保护是农业生产的关键环节,在保障国家粮食、食品与生态安全方面发挥着至关重要的作用.然而,传统植物保护手段面临着病虫害监测滞后、药物研发周期长、施药粗放、资源浪费与环境污染等挑战.机器学习技术凭借其强大的数据处理与模式识别能力,正系统性重塑植物保护的全链条,显著提升了植保全链条的智能化、自动化和精准化水平.本文以"病虫害监测-农药创制-精准施药"为主线,系统梳理了机器学习在植物保护中病虫害智能监测预警、农药及制剂智能设计及精准施药 3 个关键环节的研究进展.重点阐释了深度学习在图像识别、图神经网络在分子设计、强化学习在决策优化中的创新应用.针对机器学习在植物保护领域面临的数据、模型、跨学科融合等挑战,对未来研究方向进行了展望,可为植物保护技术体系向智能化、精准化、绿色化转型提供理论参考和实践路径.
机器学习病虫害监测预警农药分子设计精准施药
-
本文以河北省沧州市为研究区域,探讨基于农业物联网的水肥一体化技术应用.研究表明,水肥一体化技术借助农业物联网对农田进行实时监测,可精准获取土壤湿度、养分等关键数据,并据此智能化、自动化调节灌溉与施肥方案,实现水肥供给的动态平衡.该技术不仅能提升水肥利用效率、减少资源浪费,还能有效避免过量施肥灌溉造成的环境污染,对推动当地农业稳健发展、提高产量与经济效益具有重要价值.
水肥一体化农业物联网精准灌溉智能施肥
